SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti
System Identifikasi Gangguan Stroke Iskemik Menggunakan Metode ... (Kusanti)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE
Jani Kusanti
Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA), Surakarta
Jl.Raya Palur Km.5-Surakarta 57772, Jawa Tengah
Email : jani_kusanti@yahoo.com
Abstrak
Stroke Iskemik merupakan salah satu gangguan neurologis yang terjadi pada bagian kepala
yang menyebabkan aliran darah ke otak sebagian atau keseluruhan terhenti sehingga
menyebabkan terjadinya penyumbatan pembuluh darah arteri. CT Scan biasanya tidak sensitive
mengidentifikasi infark serebri karena terlihat normal pada > 50% pasien, tetapi cukup sensitive
untuk mengidentifikasi pendarahan intracranial akut. Pengolahan citra digunakan untuk
mengolah data berupa citra hasil ct scan. Ciri khas citra ct scan dapat dianalisis dengan cara
memperbaiki kualitas hasil citra. Tujuan yang ingin dicapai dalam penelitian ini adalah untuk
menghasilkan metode baru untuk deteksi stroke iskemik dengan memanfaatkan citra ct scan
dengan analisa thresholding metode Otsu. Dari metode tersebut dapat diketahui tingkat akurasi
kebenaran yang diperoleh, sehingga dapat dipergunakan sebagai acuan layak tidaknya metode
ini digunakan sebagai metode untuk mendeteksi stroke iskemik. Teknik yang digunakan dalam
penelitian ini meliputi ekualisasi, otsu dan thresolding. Untuk mengklasifikasi digunakan FCM
(Fuzzy C-Mean). Dari hasil penelitian didapatkan tingkat error sebesar 0.0432053 membuktikan
bahwa tingkat kesalahan yang dihasilkan sangat kecil. Akurasi yang didapat dari penelitian
sebesar 95% sehingga membuktikan dengan metode otsu dapat digunakan sebagai acuan untuk
mendeteksi stroke iskemik.Kata kunci : Stroke Iskemik, Global threshold, Otsu, FCM(Fuzzy C-Mean) 1.
PENDAHULUAN Stroke iskemik merupakan penyumbatan pembuluh darah sementara yang dapat menyebabkan
kematian dan kecacatan. Untuk mencegah terjadinya kecacatan jangka panjang pada seseorang yang terkena stroke iskemik, maka dimana bagian tersumbatnya pembuluh darah harus diketahui secara tepat. Untuk membantu dalam mengklasifikasikan stroke digunakan pengolahan citra sehingga hasil ct scan dapat digunakan untuk mengklasifikasi stroke iskemik.
Dalam penelitian ini digunakan data hasil ct scan, berupa citra grayscale. Data yang digunakan dalam pengujian sebanyak 25 data. Citra ct scan dilakukan segmentasi menggunakan otsu untuk mendapatkan level intensitas. Dari hasil otsu didapatkan hasil berupa nilai mean, standar deviasi
(stddev) . Hasil otsu digunakan sebagai input untuk melakukan proses clustering. Pengklasifikasian
ciri data dilakukan menggunakan metode FCM (Fuzzy C-Mean) sehingga didapatkan hasil optimum dalam mengidentifikasi stroke iskemik.
2. METODE PENELITIAN
Metode penelitian yang digunakan dalam mengolah hasil citra ct scan dilakukan dalam beberapa tahap. Langkah pertama yang dilakukan adalah menyiapkan data yang akan digunakan dalam pengujian.
Digunakan 25 data untuk pelatihan dan 20 data untuk sampel pengujian. Dalam penelitian ini digunakan tahapan dengan kerangka proses mengacu pada Gambar 1 menunjukakan perancangan sistem deteksi ct scan secara garis besar.
ISBN 978-602-99334-4-4
E.36 Mulai Proses pengolahan citra
Proses Segmentasi citra Proses Klasifikasi fitur Tampilkan hasil Identifikasi dan menyimpan data hasil Selesai
Gambar 1 Proses Sistem Deteksi CT Scan
2.1 Proses pengolahan citra stroke (CT Scan)
Citra yang diolah f(x,y) yang memiliki koordinat spatial, dan tingkat kecerahan yang diskrit, dilakukan proses pengolahani citra ( Prasetyo, 2011) Berikut algoritma proses yang dilakukan dalam proses pengolahan citra:
Algoritma yang digunakan : Ambil data citra ct scan dari folder yang telah disiapkan Simpan data yang diambil ke variable = image Tampilkan data image
2.2 Proses segmentasi citra
Setelah citra data uji hasil proses ekstraksi citra dihasilkan, langkah berikutnya dilakukan proses segmentasi citra menggunakan metode otsu. Proses Otsu digunakan untuk mencari nilai threshold (ambang) yang optimal, untuk memisahkan object dan background yang didapat dari nilai histogram intensitas sehingga ciri dari citra akan semakin terlihat. Bagian yang cenderung hitam (bagian yang terjadi pembengkakan) dan bagian yang cenderung terang atau putih (bagian yang tidak terjadi pembengkakan) dalam citra ct scan kepala. Proses otsu akan diawali dengan menghitung luas citra yang diuji, proses akan dilanjutkan untuk menghitung mean atau nilai rata-rata dari warna pixel. Dalam proses ini nantinya akan menghitung nilai pixel setiap baris sampai setinggi citra, proses ini dimulai dari pixel awal sampai pixel terakhir, nilai yang didapatkan akan diakumulasi. Tahap selanjutnya dihitung nilai pixelnya untuk setiap kolom sampai selebar citra tersebut, nilai yang didapatkan akan diakumulasikan. Dari proses ini akan didapatkan nilai ambang atau posisi otsunya (Otsu,N., 1979).
Algoritma yang digunakan pada proses ini: Memanggil citra f(x,y) berupa citra hasil histogram intensitas nilai threshold = j, j berada dalam range 0 ≤ j ≤ m-1.
m = derajat keabuan dari citra Bagi citra menjadi dua group Group A dengan nilai derajat keabuan ≤ T Group B dengan nilai derajat keabuan ≥ T Dua group disimbolkan dengan (μ1 dan μ2 ) yang merupakan jumlah dari pixel dengan nilai rata-rata derajat keabuan untuk group A dan group B.
Fungsinya mengacu pada persamaan [1]-[7]. (Kusumadewi,S., H. P., 2010) (1)
Dimana :
Prosiding SNST ke-6 Tahun 2015
System Identifikasi Gangguan Stroke Iskemik Menggunakan Metode ... (Kusanti)
(2) (3) (4) (5) (6) (7)
Pixel pada citra direpresentasikan ke dalam derajat keabuan L[1, 2, …, L]. Jumlah pixel
dengan derajat keabuan i dinotasikan dengan n dan jumlah keseluruhan pixel dengan N=n + i i .P i adalah representasi histogram, k adalah nilai threshold.( Kusumadewi,S., H. P., 2010) 1 + n 2
… + n
Dimana : o i = jumlah pixel dengan nilai gray level yang ke-i n o
Nilai average gray level dari semua pixel dalam citra f(x,y) mengacu pada persamaan (Kusumadewi,S., H. P., 2010)
Jarak varian antara dua group, dilambangkan dengan , fungsi dari jarak varian antara dua group mengacu pada persamaan (Gonzales, R., P. 2004). o dan nilai k menunjuk
Range untuk k dari 0 sampai dengan L-1, hitung setiap pada nilai jarak varian terbesar yang merupakan hasil dari threshold T.
2.3 Proses clustering dengan FCM
Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang
vector yang didasarkan pada bentuk normal Euclidian untuk jarak antar vector. Fuzzy clustering sangat berguna bagi pemodelan fuzzy terutama dalam mengidentifikasi aturan-aturan fuzzy.
Untuk lebih jelasnya Algoritma fuzzy c-mean (FCM) yang digunakan sebagai berikut: (Wang, 1996)
Menentukan jumlah data sampel (X) yang digunakan, X= 20 Menentukan banyaknya cluster (C), C= 3 Tentukan centroid setiap cluster. Data yang digunakan untuk data centroid didapat dari nilai mean dari data latih citra global thresholding (otsu).
Pangkat (w) = 2 Maksimum Iterasi (MaxIter) = 500
- 5
Error terkecil yang diharapkan (ξ) = 10 awal (P ) = 0 Fungsi objektif Iterasi awal (t) = 1 Misalkan matriks partisi awal U yang terbentuk (secara random) adalah sebagai berikut:
Μ = derajat keanggotaan data ke-2 di cluster ke-1
21
Μ
82 = derajat keanggotaan data ke-8 di cluster ke-2
= derajat keanggotaan data ke-1 di cluster ke 3 Μ
13 Pada iterasi pertama, dengan menggunakan persamaan[8]. (Lin, 1996)
(8) Dapat dihitung 3 pusat cluster, V dengan k = 1, 2, 3 ; dan j = 1, 2, 3 sebagai berikut :
kj
V = pusat cluster ke-3, atribut ke-1 (mean)
31 V 12 = pusat cluster ke-2, atribut ke-2 (standar deviasi)
V = pusat cluster ke-4, atribut ke-3 (entrophy)
43 1 dapat dihitung dengan menggunakan persamaan (9).
Fungsi objektif pada iterasi pertama P (Kusumadewi,S., H. P., 2010)
(9) Perbaiki matriks partisi U, menggunakan persamaan (10). (Kusumadewi,S., H. P., 2010)
ISBN 978-602-99334-4-4
E.36
(10)
- P |= |
- 5
1 0| = 0.39 0.25 0.71 >>ξ
Berikutnya cek kondisi berhenti. Karena |P
(=10 ), dan iteraasi = 1 < MaxIter (=500), maka dilanjutkan iterasi ke-2 (t=2), demikian seterusnya, hingga |P t – P t-1 | < ξ atau t > MaxIter.
3. HASIL DAN PEMBAHASAN
Hasil pengolahan citra dapat ditunjukkan pada Gambar 2
Gambar 2 Hasil pengolahan citra Data-1
3.1 Hasil Uji Segmentasi Citra
Hasil data uji segmentasi ditunjukkan pada Gambar 3
Gambar 3 Implementasi proses segmentasi citra menggunakan otsu
Data citra hasil segmentasi dari 20 data dikelompokkan menjadi dua, yaitu data citra untuk penyumbatan sebelah kanan, dan data citra untuk identifikasi penyumbatan sebelah kiri. Hasilnya ditunjukkan pada Tabel 2.
Tabel 2 Data hasil clustering
No Nama Data mean Std_dev
1 Data_1 0.280392 0.729412
2 Data_2 0.256863 0.717647
3 Data_3 0.366667 0.829412
4 Data_4 0.386275 0.868627
5 Data_5 0.366667 0.805882
6 Data_6 0.366667 0.805882
7 Data_7 0.3 0.782353
8 Data_8 0.366667 0.829412
9 Data_9 0.366667 0.821569
10 Data_10 0.343137 0.798039
11 Data_11 0.333333 0.737255
12 Data_12 0.398039 0.864706
13 Data_13 0.280392 0.717647
14 Data_14 0.466667 0.772549
15 Data_15 0.331373 0.778431
16 Data_16 0.3 0.752941
17 Data_17 0.3 0.752941
18 Data_18 0.366667 0.84902
19 Data_19 0.3 0.758824
20 Data_20 0.331373 0.768627
Prosiding SNST ke-6 Tahun 2015
System Identifikasi Gangguan Stroke Iskemik Menggunakan Metode ... (Kusanti)
Rata-rata RMSE
16 Data_16 0.63 terjadi oklusi distral arteri serebri media kiri
17 Data_17 0.62 terjadi oklusi distral arteri serebri media kiri
18 Data_18 0.74 terjadi oklusi distral arteri serebri media kanan
19 Data_19 0.64 terjadi infark luas pada arteri serebri media kiri
20 Data_20 0.65 terjadi infark luas pada arteri serebri media kiri Setelah dilakukan pengujian data didapatkan hasil dari hasil iterasi, Tabel 4 menunjukkan hasil data iterasi
Tabel 4 Rata-rata error dan RMSE output ANFIS dengan menggunakan 20 data uji
Iterasi epoch recog_test Rata-rata error initial recognation rate
Dataset-1 25 94.6667 0.00690684 96 0.0596182 50 93.3333 0.000194831
14 Data_14 0.53 terjadi infark luas pada arteri serebri media kanan
75 88 0.000058023 100 86.6667
3.73E-05 Dataset-2 25 94.6667 0.0177865
97 0.0462827
50 96 0.0177822
75 96 0.0177809 100 96 0.0177803
3.3 Analisa Pengujian
Dari hasil pengujian yang didapat diperoleh hasil akurasi data sebesar 95% dengan tingkat error sebesar 5%. ditunjukkan pada Tabel 5. Dengan hasil yang diperoleh dari tingkat error dihasilkan dari citra ct scan dengan tingkat warna grayscale.
15 Data_15 0.54 terjadi infark luas pada arteri serebri media kiri
13 Data_13 0.66 terjadi infark luas pada arteri serebri media kiri
3.2 Proses Klasifikasi Citra Stroke dengan Metode FCM
4 Data_4 0.56 terjadi infark luas pada arteri serebri media kanan
Untuk pengelompokkan citra dilakukan dengan menggunakan metode fuzzy c-mean (FCM). Hasil uji klasifikasi ditunjukkan pada Tabel 3.
Tabel 3 hasil klasifikasi ciri
No Nama
Data output Keterangan
1 Data_1 0.54 terjadi infark luas pada arteri serebri media kanan
2 Data_2 0.60 terjadi oklusi distral arteri serebri media kiri
3 Data_3 0.56 terjadi infark luas pada arteri serebri media kanan
5 Data_5 0.60 terjadi oklusi distral arteri serebri media kiri
12 Data_12 0.82 terjadi oklusi distral arteri serebri media kiri dan kanan
6 Data_6 0.8 terjadi oklusi distral arteri serebri media kanan
7 Data_7
0.42 Tidak terjadi gangguan
8 Data_8 0.9 terjadi oklusi distral arteri serebri media kiri dan kanan
9 Data_9 0.9 terjadi oklusi distral arteri serebri media kiri dan kanan
10 Data_10 0.62 terjadi oklusi distral arteri serebri media kiri
11 Data_11 0.59 terjadi oklusi distral arteri serebri media kiri
ISBN 978-602-99334-4-4
E.36 Prosiding SNST ke-6 Tahun 2015
20 Data_20
16 Data_16
V
17 Data_17
V
18 Data_18
V
19 Data_19
V
V 95% 5%
15 Data_15
Dari pembahasan yang telah dilakukan maka dapat ditarik kesimpulan sebagai berikut: 1.
Pola, warna dan tingkat kecerahan citra ct scan kepala pada manusia memiliki ciri yang berbeda-beda satu dengan yang lainnya sehingga dapat digunakan untuk media identifikasi personal.
2. Identifikasi citra ct scan kepala memanfaatkan fitur grayscale dalam pengujian, dibutuhkan tahapan pengolahan citra untuk mendapatkan hasil yang optimal.
4. Tingkat pengujian citra ct scan pada kepala manusia menggunakan metode otsu dan FCM dengan 20 data citra uji memiliki akurasi mencapai 95%.
5. Dari hasil 20 data citra uji , masih ditemukan tingkat kesalahan sebesar 5 % untuk data citra ct scan yang didapat dari hasil scanning dengan tingkat intensitas level keabuan = 0 lebih tinggi di banding dengan tingkat level keabuan = 1.
6. Tingkat RMSE (Root Mean Square Error) yang dihasilkan sebesar 0.0462827, menunjukkan tingkat kesalahan yang terjadi selama pengujian untuk klasifikasi ciri dari 20 data citra ct scan sangatlah kecil.
SARAN
Saran untuk pengembangan penelitian lebih lanjut antara lain, perlu dikembangkan segmentasi yang sifatnya otomatis dan real-time sehingga dapat digunakan langsung pada citra ct scan kepala yang akan dianalisis serta penentuan jenis objek yang mengklasifikasikan ke dalam jenis (tipe) infark perlu
V
V
Tabel 5 Hasil akurasi data
7 Data_7 v
No Nama Data Teridentifikasi
Benar Teridentifikasi salah
1 Data_1 v
2 Data_2 v
3 Data_3 x
4 Data_4 v
5 Data_5 v
6 Data_6 v
8 Data_8 v
14 Data_14
9 Data_9 v
10 Data_10
V
11 Data_11
V
12 Data_12
V
13 Data_13
V
4. KESIMPULAN
3. Metode FCM dapat digunakan untuk melakukan klasifikasi stroke iskemik.
System Identifikasi Gangguan Stroke Iskemik Menggunakan Metode ... (Kusanti)
dikembangkan untuk mengurangi subjektivitas radiolog yang memudahkan teknisi dalam membaca citra hasil citra ct scan kepala
DAFTAR PUSTAKA
Gonzales, R., P. 2004, Digital Image Processing (Pemrosesan Citra Digital), Vol. 1, Ed.2, diterjemahkan oleh Handayani, S., Andri Offset, Yogyakarta. Jang, J.S.R., Sun, C.T., and Mizutani, E., 1997, Neuro Fuzzy and Soft Computing, London : Prentice- Hall. Kusumadewi,S., H. P., 2010, Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Ed.2, Graha Ilmu, Yogyakarta. Lin, 1996, Neural Fuzzy System, Prentice Hall International, Inc. Otsu,N., 1979, A Threshold Selection Method from Gray Level Histogram, IEEE Transantions of
Systems, MAN Cybernetics, Vol SMC-9, No.1.,
Janvani Prasetyo, 2011, Pengolahan Citra Digital dan Aplikasinya menggunakan Matlab, Andi Offset, Yogyakarta.
Wang, 1996, A Course In Fuzzy Systems And Control, Prentice Hall International, Inc.